Agregando os seus Dados
summarize)Nos últimos tutoriais, não mexemos com a unidade de análise de nosso banco de dados - sempre avaliamos os voos individuais, por exemplo. Porém, mesmo depois de vários filtros e mutates, os seus dados provavalmente tem dezenas, centenas ou milhares de linhas - é difícil incluir toda esta informação no seu relatório, e impossível para o leitor entender tudo. É por isso que usamos estatísticas resumidas: médias, medianas etc.
Para gerar um número único que descreve uma variável em nossa tabela, usamos o verbo summarize() que funciona perfeitamente dentro do fluxo da nossa análise com o pipe (%>%). O summarize() gera um novo tibble (tabela/data.frame) pequena para conter as estatísticas resumidas, abandonando o nosso tibble original.
A função exige três elementos (i) o nome da nova variável no novo tibble; (ii) a função que vai agregar/resumir a variável, e (iii) a variável que será resumida. Veja o exemplo abaixo, que calcula a distância média de todos os voos.
library("nycflights13")
library("tidyverse")
flights %>% summarize(media_distance=mean(distance))
# A tibble: 1 x 1
media_distance
<dbl>
1 1040.
Fácil, sim? Usando a variedade das funções estatísticas em R (ou qualquer pacote adicional), pode calcular qualquer estatística que te interesse. Experimente com os exemplos na tabela.
| Estatística | Função em R |
|---|---|
| Média | mean() |
| Mediana | median() |
| Desvio padrão | sd() |
| Quantil | quantile(var, probs=0.1) |
A nossa nova tabela agregada pode conter mais de uma estatística resumida, cada uma em uma coluna nova:
flights %>% summarize(media_distance=mean(distance),
mediana_distance=median(distance),
sd_distance=sd(distance))
É comum incorporar estatísticas resumidas no texto do nosso documento de R Markdown. Lembre-se de ‘in-line’ código, usando `r ` fora do chunk? Como podemos inserir a nossa estatística no texto do relatório? O resultado de summarize() ainda é um tibble, e uma tabela não cabe em um parágrafo. Temos que transformar o valor no tibble em um valor único.
Uma função bastante útil aqui é pull() (tirar). Ele transforma uma variável de um tibble para um vetor, e quando o vetor tem apenas um elemento (ou seja, o tibble tem apenas uma linha), o resultado é um valor único, perfeito para inserir em in-line código:
estatisticas <- flights %>% summarize(media_distance=mean(distance),
mediana_distance=median(distance),
sd_distance=sd(distance))
media_distance <- estatisticas %>% pull(media_distance)
Agora, posso gera a frase no relatório que se refere ao valor de media_distance:
"A distância média dos voos é `r media_distance`.
“A distância média dos voos é 1039.9126036”.
Habilidade Básica de Programação: Excluindo NAs
Vamos tentar mais uma estatística:
flights %>% summarize(dep_delay=mean(dep_delay))
Qual foi o resultado? NA? O que significa dados faltandos aqui? O padrão em R é que o R reclama quando tem um potential por erros, forçando você a investigar. Isso pode ser chato as vezes, mas no longo prazo é uma medida necessária para garantir que você entende o que você está calculando. Neste caso, na presença de pelo menos um valor NA na variável que estamos resumido, o R passa este NA para o resultado final, mesmo que existe milhares de outros valores prontos para ser resumidos. Isso é o nosso sinal que os nossos dados contém lucanas, e temos que deixar explícito para R como a tratar estes casos. Por enquanto vamos ignorar eles usando o argumento na.rm=TRUE, e calcular a estatística resumida apenas com os dados restantes:
flights %>% summarize(dep_delay=mean(dep_delay,na.rm=TRUE))
Habilidade Básica de Programação: Funções Novas
O R é muito flexível - se você quiser uma agregação não disponível em uma função atual, pode gerar a sua própria função. Escrever uma função depends de um formato padrão - um nome pela função, os insumos que a função recebe como argumento, e o objeto que quer devolver como resultado da função.
nome_funcao <- function(insumo1, insumo2){
resultado <- ...
return(resultado)
}
Imagine-se que quissemos calcular a razão entre o percentil 90 e o percentil 10. Não existe uma função pronto para calcular isso, então então vamos escrever nós mesmos.
percentile_90_10 <- function(variavel) {
calculo <- quantile(variavel, probs=0.9,na.rm=TRUE)/
quantile(variavel, probs=0.1,na.rm=TRUE)
return(calculo)
}
Note que esta função aceita um vetor (apenas uma coluna do nosso tibble), e devolve um valor único, indicado por return(calculo). Vamos aplicar a nossa nova função:
flights %>% summarize(percentile_90_10_distance=percentile_90_10(distance),
percentile_90_10_air_time=percentile_90_10(air_time))
Isto é programação. Agora sabemos como a trabalhar com os dois elementos fundamentais: objetos (data.frames/tibbles etc.) e funções. Tudo em R é uma combinação de objetos (substantivos) com funções (verbos) para criar a nossa receita de análise.
group_by)Quase sempre, os nossos dados estão organizados em grupos e sub-grupos, pode ser anos, meses e dias, aeroportos, ou países. Frequentemente, nos queremos as estatísticas resumidas por ano, ou por país. O poder de summarize() é ampliado exponentialmente quando os resumos/agregações são feitos no nível de grupos e não para o banco de dados inteiro. O que define os grupos? Uma outra variável em nossa tabela.
Dado que podemos criar vários níveis/tipos de agrupamentos de nossos dados, temos que especificar quais nos queremos. Para definir os grupos relevantes, podemos criar um ‘grouped tibble’ usando o verbo group_by():
flights_por_aeroporto <- flights %>% group_by(origin)
Qual o resultado, flights_por_aeroporto, e como difere do banco de dados original de flights? Parece ígual! O número de linhas e colunas é ígual, nada mudou…Se digitamos o nome do novo objeto flights_por_aeroporto no ‘Console’ no canto baixo do RStudio, podemos ver uma pequena diferença: existe uma linha Groups: origin [3] que não existe no banco de dados original de flights. Este ‘3’ siginfica os três aeroportos de origem nos dados que usamos para agrupamento.
Na prática, group_by() sozinho não é útil para nada. Temos que combinar com mais uma função subsequente para gerar resultados interessantes. Por exemplo, vamos calcular a média da distância por aeroporto:
flights %>% group_by(origin) %>%
summarize(mean_distance=mean(distance))
Agora, a nova tabela de resumo tem três linhas, uma para cada aeroporto. Os três grupos correspondem aos três estatísticas resumidas. Note que não mudamos nada no summarize() do último vez - só temos mais um verbo em nosso pipe, o group_by().
Os argumentos de group_by() são sempre as variáveis de agrupamento, e podem ser vários:
flights %>% group_by(origin, month) %>%
summarize(mean_distance=mean(distance))
Quantas linhas têm o resultado? Porque 36? Porque pedimos agrupamento por origem (3 possibilidades) e mês (12 possibilidades): \(3*12=36\). A unidade de análise na tabela final é o aeroporto-mês.
Note que o resultado de summarize() é sempre um tibble, então ele não precisa terminar o nosso fluxo de análise - podemos continuar processando o resultado de summarize() com todas as funções que já acustamamos usar. Por exemplo, podemos filtrar ou mutate para criar uma tabela apropriado para incluir em nosso relatório:
flights %>% group_by(origin, month) %>%
summarize(mean_distance=mean(distance)) %>%
filter(origin!="LGA") %>%
mutate(mean_distance_km=mean_distance*1.60934)
tally)Uma aplicação enormamente útil de group_by() é para calcular o número de observações (linhas) em cada grupo do banco de dados.
flights %>% group_by(origin) %>%
tally()
Assim, é fácil comparar o número de voos em cada aeroporto. A função tally não precisa de argumentos.
Quantos voos decolaram de cada aeroporto origem para cada destino?
flights %>% group_by(origin, dest) %>%
tally()
Não é apenas resumos que conseguimos executar por grupo. É comum também aplicar um mutate() por grupo. Esta combinação fornece muita flexibilidade e poder. Por exemplo, se quiser manter o tamanho e a unidade de análise do seu banco de dados original, e inserir a média do grupo como coluna, pode executar assim:
flights %>% group_by(origin) %>%
mutate(media_distance=mean(distance,na.rm=TRUE))
Confirme no tibble resultante que o número de linhas não mudou, e que a média distância é ígual para todos os voos do mesmo aeroporto, e varia entre aeroportos.
Qual a diferença conceitual entre summarize() e mutate()?
summarize() sempre reduz o número de linhas no banco de dados - é uma agregação total ou por grupo.
mutate() nunca reduz (ou aumenta) o número de linhas no banco de dados - apenas adiciona uma nova coluna.
Um dos pedidos mais comuns é calcular porcentagens em R. Tome cuidado: já vi muitos cálculos errados, mesmo que uma porcentagem é uma variável simples. O chave é que temos que definir o denominador da fórmula de porcentagem:
\[% = \frac{Valor}{Total do grupo relevante}*100 \]
Queremos uma porcentagem para cada observação no banco de dados, então isso exige um mutate() Por exemplo, se quisemos calcular a percentagem da distância de cada voo na distância total de todos os voos:
flights %>% mutate(Pct_distance=100*(distance/sum(distance,na.rm=TRUE)))
Note que o sum() aqui está somando a distância de todas as observações. Claro que cada voo é uma porcentagem pequena do total na última coluna. Se quisemos a porcentagem da distância de cada voo no total de cada mês, temos que limitar o escopode sum() apenas para as outras observações no mesmo mês. O group_by() facilita isso:
flights %>% group_by(month) %>%
mutate(Pct_distance_month=100*(distance/sum(distance,na.rm=TRUE)))
Agora a última coluna reflete a porcentagem de distância de cada voo no total de milhas de voos no mesmo mês. Podemos ser mais específico ainda, limitando o denominador e aumentado a porcentagem resultante:
flights %>% group_by(month, day, hour, origin) %>%
mutate(Pct_distance_month=100*(distance/sum(distance,na.rm=TRUE)))
A variável nova agora mede: Entre todos os voos que decolaram no mesmo mês, mesmo dia e mesma hora, no mesmo aeroporto, qual porcentagem da distância voada contribuiu este voo específico?
Finalmente, é comum calcular a porcentagem do número de observações (linhas) em um grupo comparado com o total. Neste caso, calculamos a porcentagem não baseado em uma variável, mais baseado no número de linhas. O fluxo de trabalho recomendado é:
flights %>% group_by(origin) %>%
tally() %>%
mutate(Pct_por_aeroporto=n/sum(n))
Se quiser calcular a porcentagem de voos por mês em cada aeroporto separado, podemos usar dois processos de agrupamento, primeiro para calcular o número de observações por aeroporto-mês, e segundo para definir o denominador como o aeroporto para o cálculo de porcentagem:
flights %>% group_by(origin, month) %>%
tally() %>%
group_by(origin) %>%
mutate(Pct_por_mes_no_aeroporto=n/sum(n))
summarize_all)Uma limitação de summarize() é que temos que pedir a média de cada variável separadamente. Se tivermos dezenas de variáveis, isso exige muito código. Não há jeito de calcular a média de todas as variáveis? Há sim! Podemos usar summarize_all():
flights %>% summarize_all(mean,na.rm=TRUE)
Salvamos 18 linhas de código comparado com o uso de summarize para cada variável individualmente! O sintaxe de summarize_all() é um pouco diferente: nos parenteses, especificamos o nome da função/estatística sem parenteses (mean), e depois da vírgula qualquer outro argumento à função mean (aqui na.rm=TRUE). Não precisamos especificar as variáveis para resumir; estamos resumindo todos.
Note que mean apenas funciona para variáveis numéricas; ele devolve NA para variáveis do tipo caractere ou factor.
mutate_all, mutate_at, mutate_if)Podemos tentar o mesmo com mutate para manter a unidade de análise do banco de dados original, mas transformar cada variável com a mesma transformação. Por exemplo, na estatística frequentemente queremos padronizar cada variável, subtraindo a média e dividindo pelo desvio padrão. Esta função simples já existe, se chama scale. Vamos aplicar ao banco de dados flights:
flights %>% mutate_all(scale)
Não funcionou. Qual foi o erro? Aqui, mutate_all não é suficientemente flexível para pular as colunas que contém caractares infelizmente. Agora temos três alternativas. Podemos usar select() para selecionar as colunas númericos manualmente antes de rodar mutate_all():
flights %>% select(year, month, day, dep_time, sched_dep_time, dep_delay,
arr_time, sched_arr_time, arr_delay, flight, air_time, distance, hour,
minute) %>% mutate_all(scale)
Deu certo, mas um pouco chato para digitar. A segunda opção usa uma outra variadade de mutate se chama mutate_at(), que permite especificar as variáveis dentro da função (e dentro de uma mini-função se chama vars()):
flights %>% mutate_at(vars(year, month, day, dep_time, sched_dep_time,
dep_delay, arr_time, sched_arr_time, arr_delay, flight, air_time, distance,
hour, minute), scale)
# A tibble: 336,776 x 20
year[,1] month[,1] day[,1] dep_time[,1] sched_dep_time[~
<dbl> <dbl> <dbl> <dbl> <dbl>
1 NaN -1.63 -1.68 -1.70 -1.77
2 NaN -1.63 -1.68 -1.67 -1.74
3 NaN -1.63 -1.68 -1.65 -1.72
4 NaN -1.63 -1.68 -1.65 -1.71
5 NaN -1.63 -1.68 -1.63 -1.59
6 NaN -1.63 -1.68 -1.63 -1.68
7 NaN -1.63 -1.68 -1.63 -1.59
8 NaN -1.63 -1.68 -1.62 -1.59
9 NaN -1.63 -1.68 -1.62 -1.59
10 NaN -1.63 -1.68 -1.62 -1.59
# ... with 336,766 more rows, and 15 more variables:
# dep_delay[,1] <dbl>, arr_time[,1] <dbl>,
# sched_arr_time[,1] <dbl>, arr_delay[,1] <dbl>, carrier <chr>,
# flight[,1] <dbl>, tailnum <chr>, origin <chr>, dest <chr>,
# air_time[,1] <dbl>, distance[,1] <dbl>, hour[,1] <dbl>,
# minute[,1] <dbl>, time_hour <dttm>, dep_delay_dobro <dbl>
A terceira opção é a mais eficiente e vai identificar automaticamente as colunas númericas - esta variedade final de mutate, mutate_if() aceita um ‘teste’ em vez de uma lista de variáveis para ser transformadas. O teste é uma função simples que devolve o resultado TRUE ou FALSE para cada coluna. Em nosso caso, queremos testar se a coluna seja númerico, então vamos usar o teste (a função) is.numeric:
flights %>% mutate_if(is.numeric, scale)
# A tibble: 336,776 x 20
year[,1] month[,1] day[,1] dep_time[,1] sched_dep_time[~
<dbl> <dbl> <dbl> <dbl> <dbl>
1 NaN -1.63 -1.68 -1.70 -1.77
2 NaN -1.63 -1.68 -1.67 -1.74
3 NaN -1.63 -1.68 -1.65 -1.72
4 NaN -1.63 -1.68 -1.65 -1.71
5 NaN -1.63 -1.68 -1.63 -1.59
6 NaN -1.63 -1.68 -1.63 -1.68
7 NaN -1.63 -1.68 -1.63 -1.59
8 NaN -1.63 -1.68 -1.62 -1.59
9 NaN -1.63 -1.68 -1.62 -1.59
10 NaN -1.63 -1.68 -1.62 -1.59
# ... with 336,766 more rows, and 15 more variables:
# dep_delay[,1] <dbl>, arr_time[,1] <dbl>,
# sched_arr_time[,1] <dbl>, arr_delay[,1] <dbl>, carrier <chr>,
# flight[,1] <dbl>, tailnum <chr>, origin <chr>, dest <chr>,
# air_time[,1] <dbl>, distance[,1] <dbl>, hour[,1] <dbl>,
# minute[,1] <dbl>, time_hour <dttm>, dep_delay_dobro[,1] <dbl>
Veja a beleza de programação mais eficiente - o mesmo resultado com menos digitação! Como interpretamos o código? “Pegue o banco de dados de flights, depois aplica uma transformação às variáveis se a variável is.numeric (é númerica), e a transformação é scale.”
Existe também as versões equivalentes destas funcões para summarize: summarize_all, summarize_at e summarize_if.